Machine Learning: un terme qui semble si familier…

D’après CB Insights, une base de données sur le capital-risque, pour une start-up , il suffirait de faire un pitch en utilisant des mots clés comme «Machine Learning», «neural networks», «intelligence artificielle» ou encore « chatbots» pour donner envie aux investisseurs d’allouer des fonds. à votre projet naissant. Ce sont des termes qui sous-entendent la recherche et le développement technologique, des expressions que la plupart des savants du monde digital connaissent, mais qui restent incompréhensibles pour beaucoup d’autres.

Je vous propose ici d’entrer dans les méandres du Machine Learning (ML), pour avoir une idée un peu plus précise de ce qu’il s’agit, et de mettre en lumière les récentes avancées  et pratiques dans ce domaine.

D’après Microsoft : « le Machine Learning, ou encore apprentissage automatique, utilise des ordinateurs pour exécuter des modèles prédictifs, qui apprennent à partir de données existantes, afin de prévoir les tendances, résultats et comportements futurs » à travers des algorithmes .

Intelligence artificielle, Machine Learning et Deep Learning, via blogs.nvidia.com

Pour ne pas s’emmêler les pinceaux, il est préférable de retenir que de façon plus générale, le Machine Learning (ML), les chatbots, la classification des emails dans votre boite Gmail ou encore la voiture autonome de Google, sont des intelligences artificielles dont le principal atout est leur force d’analyse prédictive. Pour les curieux qui souhaiteraient connaître l’histoire et les différentes approches du ML plus en détail, et en seulement quelques minutes, je vous conseille de regarder cette infographie de Futurism.

La stratégie la plus connue du ML reste néanmoins l’apprentissage supervisé. Elle se décline en 3 étapes:

  • La représentation, qui consiste à trouver le modèle mathématique le plus approprié
  • L’évaluation, qui mesure la distance entre ce modèle et la réalité
  • L’optimisation, qui vise à réduire cette distance

Voici un exemple simple de ML créé par Google et lancé en Novembre 2016 : il s’agit de Quick, Draw un jeu de Pictionary en ligne où l’on joue contre un ordinateur. Le but est de faire deviner à son adversaire artificiel ce que l’on dessine en moins de 20 secondes. Ce concurrent n’est pourtant pas si redoutable, puisqu’il ne devinera pas systématiquement ce que représente votre chef d’œuvre. En fait, il tirera les leçons de vos dessins au fur et à mesure du jeu, afin d’être plus performant les fois suivantes. Ainsi, la machine apprend en récoltant des données,  en les mesurant puis en les optimisant afin de deviner, ou plutôt de prédire vos dessins. Cela fonctionne comme  les ordinateurs de bureau qui arrivent à déterminer si certains courriels sont des SPAMS et d’autres non. Vous découvrirez vite que l’on peut s’amuser avec le ML, à travers des jeux, de la musique et bien plus encore, tout ça grâce à Google.

Le Machine learning dans le système juridique

Vous connaissez déjà Siri d’ Apple ou encore Cortana de Microsoft et Google now. Bien plus que des assistants vocaux, ce sont des intelligences artificielles qui vous facilitent la vie au quotidien. Ce sont des instruments technologiques qui s’adaptent à nos modes de vie et ça va de simples applications à des robots conversationnels (chatbots) en passant par les robots créés pour penser comme un humain. Mais le ML du futur pourrait affecter notre quotidien d’une façon beaucoup plus radicale.

 

Et si le juge parfait était en fait un robot?
Les algorithmes ont déjà commencé à envahir le monde judiciaire pour faciliter les procédures pénales souvent longes et coûteuses. Aux Etats Unis, un robot-avocat capable de répondre sans une seconde d’hésitation à toute question juridique épaule les professionnels notamment sur les faillites d’entreprise. En France, on observe un grand nombre de start-ups qui créent des plateformes d’assistance virtuelle aidant à résoudre des litiges souvent complexes et coûteux et permettant ainsi de démocratiser l’accès au droit par la technologie. En récoltant les données adéquates, ce genre d’intelligence artificielle pourrait par exemple aider un père de famille en procédure de divorce, à prédire et évaluer ses chances d’obtenir la garde de ses enfants en entamant une procédure à Paris plutôt qu’à Marseille.

« La robotisation ira plus vite que ce que tout le monde imagine »

C’est ce que pense Frédéric Pelouze, ancien juriste et fondateur de la plateforme weclaim.com. D’après lui, les juges seraient bientôt de plus en plus assistés et les intelligences artificielles joueraient un rôle prédominant dans la prise de décision. Cependant en France, le concept fait débat le facteur humain restant déterminant. Pour les sceptiques, la machine devrait jouer un rôle purement auxiliaire et il serait impensable de laisser un robot juger un humain. Bien qu’une machine ne sera jamais en retard, malade ou fatiguée, certains jugements reposent en grande partie sur le facteur émotionnel, que ne possède pas encore la machine.

L’interaction Machine – Humain

Pourtant, nombreux sont ceux qui pensent encore que les machines prendront une part considérable dans la vie de l’Homme du futur, et qu’elles viendront même nous substituer dans des métiers longtemps exercés par des humains. Comme mentionné précédemment avec la présence de robots dans le système juridique, la machine risque de s’étendre sur tous nos lieux de travail. Qu’en est t-il des machines qui sont développées pour nous ressembler et vivre avec les humains?

A titre d’exemple, voici Pepper, le robot humanoïde créé par SoftBank Robotics, dont la fonction principale est de comprendre les émotions humaines. Pepper (disons qu’elle est de sexe féminin) est programmée pour réagir en fonction des émotions de son interlocuteur. Elle est équipée de caméras, de micros et de détecteurs de mouvement de pointe qui lui permettent de décrypter les éléments de son environnement. De manière plus générale, elle ajuste son comportement en fonction du ton de la voix et des traits du visage de son interlocuteur. C’est un robot curieux et personnalisable qui peut être utilisé avec des applications. Ces dernières permettent d’ajouter des fonctionnalités pour ajuster le comportement de Pepper en fonction de préférences, de goûts, etc. Pour aller plus loin, SoftBank Robotics a créé une une plateforme participative permettant aux adeptes (développeurs, graphistes, entreprises) de contribuer à l’évolution de ce bijou de technologie en proposant de futures fonctionnalités potentielles. Pepper est déjà commercialisée au Japon et a notamment conquis Nestlé qui prévoit de l’utiliser dans plus de 1000 magasins Nescafé au Japon.

Comme vous avez pu le voir, le Machine Learning s’infiltre dans nos entreprises, mais il semble que cela est particulièrement vrai dans le secteur de la santé, et plus récemment dans celui des ressources humaines. Plusieurs entreprises dans le monde, dont Workland, une société canadienne qui met l’intelligence artificielle au service du recrutement, se sont lancées dans l’aventure. Workland a décidé de créer la plateforme ATLAS, déjà présente dans plus de 30 pays, qui permet de simuler le processus décisionnel du recruteur. Grâce à des indicateurs pointus, ATLAS s’adapte aux besoins de recrutement en filtrant les candidats selon les indications reçues. Mais la différence avec les autres plateformes concurrentes, c’est qu’ATLAS s’applique à se perfectionner elle même au fil du temps.

Pourrons-nous alors laisser une machine décider d’éléments aussi cruciales que le recrutement de nos équipes, ou encore de l’évolution de carrière de nos salariés? Encore une fois, le concept fait l’objet d’un débat houleux, notamment parce que le recrutement est un processus de décision très spécifique qui nécessite une sensibilité et des qualités propre à l’humain. En effet, bien que ces intelligences artificielles prévoient des test de personnalité et de QI pour tester les candidats et répondre au mieux aux attentes du recruteur, il leur manque toujours un élément essentiel, le fameux « feeling » qui très souvent influence la décision d’embauche finale.

Le Machine Learning, et après?

Pourtant, pour les adeptes, le Machine Learning ne devrait pas être à craindre. Tout comme les enfants, les machines requièrent de l’attention, il faut leur apprendre à s’appliquer et les intégrer pas à pas dans notre société. Elles ont un potentiel extraordinaire, comme le superordinateur Watson d’IBM qui a réussi à gagner le jeu américain Jeopardy face à deux champions, en fouillant dans les 200 millions de pages de langage de sa mémoire.

Lorsqu’on regarde un peu autour de nous, on se rend vite compte que les avancées technologiques actuelles élargissent notre champ de possible : il suffit d’utiliser son smartphone pour communiquer, de se connecter sur LinkedIn pour trouver un travail ou de faire un tour sur Twitter pour se rendre compte que l’on vit déjà avec des machines intelligentes, et que ce n’est que le début. L’essor du Deep Learning, une alternative plus profonde du Machine Learning qui inclue la reconnaissance faciale, ou utilise le traitement automatique du langage, risque de tous nous surprendre dans les années à venir. Le plus difficile sera d’en faire bon usage, pour créer un monde où l’homme et la machine fonctionnent ensemble vers une société où le progrès technologique appelle le progrès social.

Sources:
Le Journal Du Net
Je veux être data scientist
Forbes.com
NVIDIA
HUFFINGTONPOST
USBEK & RICA